数据挖掘入门算法整理

    最近正打算学习一些数据挖掘方面的知识，开始看了一些相关博文，但是太过零碎，一直对此没有一个较为系统的认识。周末在图书馆闲逛，偶然看见《大话数据挖掘》一书，发现讲的比较有条理，还蛮适合入门的，因此就读了两章，作此笔记。本文只是介绍了数据挖掘入门的一些算法分类，不涉及具体算法实现。
    一下是整理的算法分类图：

1、关联

    关联是指一个事件与另一个事件之间的依赖关系。如经典的尿布与啤酒的关系。
    apriori算法是最经典的关联规则算法，基本思想是：首先从事件中集中找到所有频繁出现的子集。然后在这些子集中发现可信度较高的规则。

2、聚类

    聚类就是将对象划分成若干个类，在同一类中对象具有较高的相似度，不同类中对象差异较大。
    基于对象间距离可以分为两类算法：划分方法（Partitioning Method）和层次聚类方法（Hierarchial Method）。前者的思想是：迭代计算各点到类中心点距离，类内数据点越近越好，类间点越远越好。后者思想是：将对象分层建立簇，形成一颗以簇为节点的树，自下而上的是聚集的层次聚类，自上而下的是分裂的层次聚类。

3、预测

    预测是通过对反映了事物输入和输出之间的关联性的学习，得到预测模型，再利用该模型对未来数据进行预测的过程。如机器学习的一个简单模型：输入数据为（x1,y1）,(x2,y2)...(xn,yn)，通过输入数据的学习，可以得到模型y=f(x,β)中的β，从而对于新数据我们可以通过x确定y值。
    具体的预测算法有很多，各自的效果和实现自行百度吧。

4、序列和时间序列

    序列是指被排成一列的对象，即有序对象。而时间序列则是以时间来区隔的序列。由于序列与关联关系很密切，所以序列前边的值很可能影响序列后边的值，对于时间序列而言就和回归分析很像了。

    这里列出的只是书中给出的，仅是一些比较有代表性的入门算法，实际每个分类下还有很多算法或变种，比如预测中比较常用的还有邻近法和朴素贝叶斯等，这里不再给出。此外本篇主要是给出这些算法概念，看了之后可能不知所云，所以如果真要深入了解，就需要去查对应算法相关的资料了。